【头影测量标志点检测相关技术概述5500字】

头影测量标志点检测相关技术概述目录TOC\o"1-3"\h\u28058头影测量标志点检测相关技术概述 1254241.1.1基于参数化模型方法 1300761.1.2基于决策树的集成学习方法 6基于参数化模型方法主动形状模型（ASM）和主动外观模型（AAM）都是使用参数化模型的方法，他们利用图像中重要结构之间的空间关系模型帮助搜索感兴趣特征，其中形状的变化是模拟的。通过可变形模板与图像中特定结构相匹配，获得感兴趣的标志点，并给出完整的地图集。ASM方法[25]不仅使用了灰度外观的局部模型，还使用了定义目标点之间空间关系的全局模型。其核心思想是通过建立一系列形状模型，对目标物体进行抽象。该方法的基本思路是：首先选取一组图像的训练样本，用形状向量描绘成头影标志点的形状，将训练集的形状进行对齐操作；再用主成分分析将对齐后的形状向量建模；最后通过关键点搜索实现目标的匹配。（1）模型建立训练集是专家进行手动标注的由线段连接的一组点，包含所有重要的结构特征，将其作为形状模板。它包括了公认的头影测量标志点，以及一组沿着图像中规则出现的强边缘均匀分布的辅助标志组成，如图2-1所示。经过专家医生手工标注之后，训练集中的每个图像都被形状模板覆盖，将所有标志点与相应的结构对齐。应用主成分分析（Principalcomponentsanalysis,PCA）来定义每个形状模板中点的坐标，利用标志点之间的相关性，将输入的高维度数据尽可能减小到更小的参数集。首先确保与形状模板对齐，由于原始图像形状、角度、背景具有一定的差异会导致在计算向量时存在误差，对向量对齐处理的方法是Procrustes算法，迭代地计算平均形状，将所有数据与之对齐，直到收敛。通过缩放、旋转、平移等操作使形状实现尽可能一致的对齐，最小化不同形状对应点之间距离的加权平方和。图2-1ASM方法用于头影测量的形状模板标定的n个关键点组成一个形状向量xi，表示第i个形状中的n个关键点，xMs,θx表示对x做一个旋转角度为θ，缩放尺度为s的变换，如公式(2-1)。对于两个相似的形状向量xi和xj，可以选择xj的sj,θj和平移量txjM(s,θ)(2-1)E(2-2)对齐后的形状向量进行PCA处理，利用公式(2-3)和(2-4)分别计算平均形状向量x及协方差矩阵S：x(2-3)S=(2-4)计算协方差矩阵S的特征值λii=1(2-5)其中，fv是由特征向量个数确定的比例稀疏，通常取值95%，VT是所有特征值之和，即为每个关键点构建局部特征，用迭代的方式寻找新的关键点匹配位置。常用的是梯度特征描述，第i个关键点的局部纹理特征用gij来表示，n个关键点的局部纹理特征均值gg(2-6)S(2-7)对所有的标志点采取相同的操作，得到每个点的局部纹理特征，那么，每个点新的特征g与其训练好的特征gif(2-8)（2）在图像上定位标志点为了在新的测试图像中找到头影测量标志点，首先将平均形状模板覆盖在图像上。在模型中的每个点进行局部搜索，确定图像中是否存在从训练集学习到的强度分布模型相匹配的附件位置。因此，每个点都会从当前位置向图像中附近的点贡献一个向量。如果大部分向量指向左边，那么如果将模板平移到左边，则会提供更好的拟合。同样，模板的缩放和旋转也可以很容易地被校正。ASM方法拟合流程图如图2-2所示。图2-2ASM方法拟合流程图通过将向量与主成分分析产生的模式相关联，计算出产生更好拟合所需的变形。该方法的一个关键特征是，变形被严格限制在与训练集相似的范围内。这样，模板仍然是一个可信的头影测量配置，并且不太可能因混淆图像中的特征而舍弃。这个过程是重复的，模板移动和变形，以给出一个最佳匹配的图像中找到的。当达到收敛准则时，搜索过程停止，模板的最终配置是头影测量跟踪。（3）对图片纹理特征统计建模主动外观模型（Activeappearancemodel,AAM）[43]在ASM的基础上展开的研究，不仅采用了形状约束，还加上了头颅区域的图像纹理特征。与ASM一样，AAM也分为两个阶段：模型建立和模型匹配。其中模型匹配阶段是将已建立好的AAM模型在当前帧图像中寻找最佳匹配的过程。主要流程图如下图所示。图2-3AAM流程图目标对象的形状表示为x，纹理表示为g，c是外观模型参数，由如下公式控制目标的形状和纹理特征：x=g=(2-9)其中，x为平均形状，g为平均纹理，Qs和Qg分别描述训练集中导出变化模式的矩阵。给出特定的外观模型参数c，可以通过g生成纹理图像并使用在建立AAM模型时，需要把目标从训练集样本中提取出来，即手动标注头影标志点轮廓，并保存为向量。根据输入数据，对其建立主动形状模型，其方法与ASM相同。在建立纹理模型时，使用Delaunay三角划分，将任意单个关键点连接为三角形，使得每个三角形的外接圆都不包含其他点。之后，通过三角映射将一系列纹理分片仿射投影到同一样本上，得到平均纹理模型。再对形状模型和纹理模型进行加权组合，得到组合的AAM模型。对于输入的侧位片图像，AAM试图将新图像与组合模型合成的图像之间差异最小化，使用多分辨率实现，先迭代到每一层的收敛，再预测当前解决方案投影到模型的下一层。假设该位置有关键点，那么得到形状的实际参数，并不断调整参数位置，当其小于某一阈值时，则认为搜索到目标。基于决策树的集成学习方法在以往的ISBI挑战中，研究者们主要使用机器学习方法来建立分类和回归模型，并根据图像像素信息特征来估计头影测量标志点的位置。参赛队伍主要使用基于决策树的集成学习方法，其中基于随机森林和博弈论方法，基于随机森林回归投票方法，基于极端随机树的方法，这些方法分别在两次挑战中取得优异的成绩。基于随机森林和博弈论的方法Ibragimov[38]等人通过Haar-like特征描述标志点的强度外观特征，利用随机森林将特征组合成候选点的目标检测器，并通过高斯核密度估计建模候选点之间的空间关系，之后将强度外观与空间关系结合，应用博弈论来优化候选点的位置。（1）描述强度外观特征：在检测未知图像的相同标志点时，标志点的强度外观特征是十分必要的。Haar-like特征反应了图像灰度值的变化情况，通过矩形内的像素强度来描述外观信息，最早应用于人脸检测技术中[55]，主要分为四类：边缘特征、线性特征、中心特征、对角线特征[46]，分别对应图2-4的(a)(b)(c)(d)。将任意特征放入X线片中，特征模板用黑白两色的矩形表示，图中白色矩形像素值减去黑色矩形像素值即为模板的特征值表示。图2-4Haar-like特征计算Haar-like特征的快速方法是利用积分图求解。积分图是一种矩阵表示方法，每个元素的值v(i,j)是该位置i,j在原始图像左上角的所有像素之和：v(i,j)=(2-10)s(i,j)表示的是行方向的累加和，初始化s(i,−1)=0；v(i,j)表示积分图像，初始化v(−1,i)=0；逐行扫描图像，递归计算每个像素s(i,j)和v(i,j)的值，如公式(2-11)，直到达到图像右下角，则积分图像构建完成。图像中任意矩阵区域像素累加即可通过积分图运算获得。&s(i,j)=s(i,j−1)+f(i,j)(2-11)从训练集T中标志点p的领域提取Haar-like特征，学习到提取特征之间的相同模式，应用于检测目标图像中的相同标志点p。随机森林中，分裂节点执行简单的分类，终端节点作为预测器。由一组特征表示的数据点到达决策树的初始分割节点，并根据内部分割节点的分类结果传递到终端节点。得到的分类结果是森林中所有树的后验概率之和，对于每个标志点p∈P形成了外观似然图fpf(2-12)其中xv是目标图像中围绕观察像素v(i,j)提取的Haar-like特征集合，Tpl(xv)为训练集图像中标志点p定义的第l棵决策树。当fpv（2）描述标志点的空间关系：标志点的空间关系与外观特征相结合，有利于目标检测的准确性[37]。通过高斯核密度估计对两个标志点p,q进行空间关系建模，则距离特征图Dp,q(d)和角度特征图D(2-13)Φ(2-14)dp,q(i)和φp,q(i)分别是点p,q在训练集T中第i个图像两个点之间的距离及角度，σDg(2-15)λ是权重因子，0≤λ≤1，Δ和Θ分别是用来填补图像结构中的轻微尺度缩放和旋转。如果距离d和角度φ在目标图像中的形状似然图（3）利用博弈论进行标志点检测：博弈论框架[37]将标志点检测视为一种游戏，其中标志点是玩家，候选点是策略，候选点是标志点的概率是收益，根据目标图像的候选点与训练图像标志点之间的外观似然图fp及形状似然图g每个标志点p相应的候选点为sp，sp∈W(2-16)其中vsp作为标志点p在目标图像中候选点sp的坐标，dsp,sq,φsM(2-17)Wp,qsp,s为了最终确定最佳候选点，利用博弈论框架将标志点的Haar-like外观特征与标志点之间的空间关系相结合，标志点的最佳候选点位置根据子集最佳候选点的位置来近似。点与点之间空间相关性的随机森林模型，R(2-18)其中，v为目标图像标志点的像素，RF为对训练集图像子集P中的点与点之间的空间依赖性进行建模的随机森林模型，d∗分别为候选点与最佳候选点之间的距离。基于随机森林的形状似然图RPv与外观似然图fpvsps(2-19)二、基于随机森林回归投票的方法随机森林回归投票被认为是获取感兴趣对象的特征点位置最有效的方法之一，通过训练随机森林模型为每个特征点可能的位置投票，然后找到形状模型参数，使用该参数优化特征点位置的投票总数。Lindner[40]等人在受约束的局部模型框架中应用随机森林回归投票，选择每个特征点的最佳位置。检测时应用主动形状模型（ASM）与预测位置相匹配，来确保集合的一致性。（1）随机森林回归投票：从一组图像中训练一个随机森林回归器，每个图像都用感兴趣对象的标志点x来标注。对x中的每个标志点附近随机距离dr的一组图片块采样，提取一组特征fx来生成样本，在评估感兴趣区域的一组点时，其位移应在为了训练单个点的目标检测器，对每个样本i，在采样区域的位置随机提取特征fi，并存储原始参考系中心到样本中心点的距离di。在这些{(fi,（2）特征点检测：图像中感兴趣对象是19个标志点，使用包含19个点的参考系的伪标志点[40]，随机森林回归器以滑动窗口的方式在图像一定的方向和比例移动，对图像中可能的位置投票，由此作为对所有标志点的初次估计。（3）受约束的局部模型（Constrainedlocalmodel,CLM）[56]：使用CLM模型对以上的方法进行改进。基于一组图像的多个点训练主动形状模型，该模型每个点l的位置xlx(2-20)其中，xl是该点在合适的参考系中的平均位置，Pl是模型的一组变化模式，s是形状模型参数，rl是允许范围内的最小偏差，T将训练好的模型与新图像匹配，需要寻找形状和姿态参数{s,θ}。给定对象姿态